Assessing building damage after a seismic event using unsupervised change detection with Sentinel-1 imagery

Abstract

Earthquake impact assessment is crucial for providing timely information for disaster relief and post-disaster reconstruction. The role of remote sensing at each stage of the risk management system has been growing with the amount, timeliness, and availability of satellite imagery in recent years. In particular, radar imagery time series offer many advantages that unsupervised change detection can employ for building damage assessment. This work explores an unsupervised and multitemporal change detection method using Sentinel-1 imagery to assess building damage after the 2023 seismic event in Turkey. First, a dataset of destroyed buildings was prepared from the review of Copernicus Emergency Management System (CEMS) rapid mapping products through visual analysis of optical images before and after event. A time series of the mean backscatter intensity from return signal within the footprint of each destroyed building is evaluated to assess the change of trend after event. Then, an omnibus test is used to assess changes across the time series: polarimetric SAR data are represented by complex variance-covariance matrices, whose homogeneity is evaluated through a factorization of multiple independent likelihood ratio tests in the time series. To determine where and when a change has occurred in our time series, we implemented a sequential omnibus tests algorithm assessing the overall differences between distributions at multiple times. We obtain temporal change maps that allow to represent the timeline of occurrences of change. The results of the first analysis show deviations in building’s temporal signatures, for each orbit and polarization. For the evaluation of the temporal change maps, we infer the cause of the change related to the event using our building datasets to measure the performance of our model. Then, we performed a sensitivity analysis of this evaluation for orbits 116 Ascending and 21 Descending over both building datasets and for different levels of significance. Depending on the priority of risk assessment, the multitemporal map, avoiding pixels where changes occurred, is more interesting with its high specificity compared to the bitemporal map. Regarding the relatively high missing rate from the map of first change, the use of frequency of changes would have been interesting to filter pixels prone to frequent changes. However, these results are highly side-looking data-driven and method-dependent for performance evaluation. They could be enhanced with adding polarimetric features, phase information from SLC data, and more advanced change detection techniques. The process is developed on Google Earth Engine via a Colaboratory Notebook, linked with a Github repository hosting and sharing the reference data. The outputs of both analysis are displayed via an interactive HQ Observable platform, offering insights into the strengths and limits of each approach at the building level accross various parameters. The integration of temporal signatures, statistical change detection, and interactive visualization aids in a comprehensive understanding of the spatial and temporal distribution of building damage. It provides a benchmark for the unsupervised intensity-based approach and allows more informed discussions on future model strategies for post-disaster recovery.

Evaluer les impacts d’un séïsme est crucial pour fournir efficacement des informations aux services d’urgence et pour la phase de reconstruction. À cet égard, les séries temporelles d’images radar offrent de nombreux avantages pour évaluer les dégâts aux bâtiments. Ce mémoire explore une méthode de détection de changement multi-temporelle et non-supervisée pour évaluer, à l’aide d’images Sentinel-1, les dégâts aux bâtiments suite au séïsme en Turquie en Février 2023. Avant tout, un dataset de bâtiments détruits est construit à partir de l’examen des produits du CEMS, par analyse visuelle d’images optiques avant et après le désastre. Une série temporelle de l’intensité moyenne du signal renvoyé pour l’emprise de chaque bâtiment est analysée afin d’analyser la signature avant/après événement. Ensuite, un test omnibus est utilisé pour évaluer les changements au sein de la série temporelle: les données SAR polarimétriques sont représentées par des matrices de covariance complexes, dont l’homogénéité est évaluée par une factorisation de plusieurs tests de rapport de vraisemblance indépendants dans la série temporelle. Pour déterminer où et quand un changement est détecté, nous utilisons un algorithme séquentiel de tests omnibus qui évalue les changements entre distributions à plusieurs dates. Nous obtenons des cartes du premier changement, du plus récent, et de leur fréquence. Les résultats de la première analyse montrent des écarts significatifs dans les signatures temporelles, pour chaque orbite et chaque polarisation. Ensuite, pour évaluer les performances de notre modèle, nous analysons l’impact du désastre en corrélant les changements survenus lors de l’événement avec nos jeux de données de bâtiments détruits ou non. Une analyse de sensibilité de cette évaluation est ensuite réalisée, pour les orbites Ascendante 116 et Descendante 21, sur les deux jeux de données de bâtiments, et pour différents niveaux de significativité. Dans le contexte de la gestion des risques, la carte multitemporelle du premier changement, filtrant les pixels où des changements sont déjà survenus, est plus intéressante pour sa spécificité comparé à la carte bitemporelle. Le taux relativement élevé d’omissions sur la carte du premier changement amène à considérer l’utilisation de la fréquence des changements pour filtrer les pixels sujets à des changements fréquents. Cependant, ces résultats dépendent fortement des propriétés des images SAR et des méthodes d’évaluation utilisées. Ils pourraient être améliorés par l’ajout de la phase provenant des données SLC et le recours à des techniques de détection de changements plus avancées. Le processus est développé sur Google Earth Engine via un notebook Colaboratory, relié à un dépôt Github hébergeant et partageant les données de référence. Les résultats de nos deux analyses sont présentés via une plateforme interactive qui permet d’observer les forces et limites de chacune, à l’échelle des bâtiments et pour différents paramètres. La visualisation interactive des signatures temporelles et des cartes temporelles contribue à une compréhension approfondie de la distribution spatiale et temporelle des dommages aux bâtiments. Cela fournit un point de référence pour les futures modèles relatifs au sujet, d’une approche non supervisée et basée sur l’intensité.